使用快速探索随机树(RRT)算法在已知地图上为车辆规划路径。特殊车辆约束也应用自定义状态空间。您可以使用任何导航应用程序的自定义状态空间和路径验证对象来优化自己的计划器。

使用测距仪和a *路径规划器在仓库地图上执行动态重新规划。

感知环绕视图信息并利用其设计高速公路行车场景下的自动变道机动系统。

演示如何在高速公路驾驶场景中规划局部轨迹。本例使用参考路径和动态障碍列表为自我交通工具生成可选轨迹。自我车辆从driingscenario对象导航通过在提供的驾驶场景中定义的交通。根据成本、可行性和无碰撞运动，车辆在自适应巡航控制、变道和车辆跟随机动之间进行交替。

利用基于运动学的规划器plannerControlRRT为具有复杂运动学的系统寻找全局路径规划解决方案。该示例被组织成三个主要部分:

基于对周围环境的估计，动态地重新规划自动驾驶汽车的运动。使用Frenet参考路径和联合概率数据关联(JPDA)跟踪器来估计和预测高速公路上其他车辆的运动。与使用Frenet参考路径示例的高速公路轨迹规划相比，您在此示例中使用来自多目标跟踪器的估计轨迹，而不是地面真相进行运动规划。

通过保持平滑的曲率和与停车场障碍物的安全距离来优化汽车类机器人的路径。

从可用的路径规划器中选择仓库环境中差动驱动机器人的最佳二维路径规划器。使用plannerBenchmark对象对路径规划者plannerRRT、plannerRRTStar、plannerBiRRT、plannerPRM和plannerHybridAstar在仓库环境上使用随机选择的开始和目标姿势进行基准测试。根据寻找有效路径的能力、清除障碍的能力、初始化规划器所花费的时间、寻找路径所花费的时间、路径的长度和路径的平滑度来比较路径规划器。根据每个路径规划器在上述指标上的性能选择合适的规划器。

处理和存储2.5-D信息，并介绍了将其用于越野路径规划的各种技术。

使用一个混合a *规划器来规划一条通往狭窄停车位的路径，同时考虑到一个类似汽车的机器人的形状。

使用快速探索随机树(RRT)路径规划器为移动机器人规划到目标区域的路径。在本例中，您可以将自定义目标区域定义为2-D多边形，然后规划到该区域的路径。

演示如何训练一个基于深度学习的采样器，使用基于采样的规划器，如RRT(快速探索随机树)和RRT*加快路径规划。

该示例演示了如何使用基于深度学习的采样器增强基于采样的规划器，如RRT(快速探索随机树)和RRT*，从而有效地找到最优路径。